机器视觉和AI视觉识别不是一回事，前者是后者的地基，后者是前者的进化形态，两者在制造业里干的活儿有本质差别。

一、核心概念与技术定义

机器视觉通常指基于工业相机、镜头、光源和图像处理算法的检测系统。它依赖预设规则，比如边缘提取、灰度阈值、模板匹配、Blob分析，来判断产品有没有划痕、孔位偏没偏、字符印没印全。这套逻辑从上世纪八十年代就开始在产线跑，成熟、稳定、可重复。

AI视觉识别则是在机器视觉的硬件基础上，叠了深度学习模型。它不靠人写规则，而是靠标注数据训练神经网络，让系统自己学会分辨缺陷、识别行为、判断场景。卷积神经网络、目标检测框架、语义分割这些技术，都属于AI视觉的范畴。

一句话区分：机器视觉是“按规则查”，AI视觉识别是“按经验判”。

二、技术原理与关键能力

机器视觉的核心能力在测量、定位、计数、简单有无判断。它的优势是速度快、精度高、可解释性强。一个定位算法跑在工控机上，几毫秒出结果，工程师能清楚知道它为什么判OK或NG。但它的短板也明显：换产品就要重新调规则，遇到不规则缺陷、复杂背景、光照波动，容易误判漏判。

AI视觉识别补的正是这块。它通过大量样本训练，能处理缺陷形态不固定、边界模糊、对比度低的场景。比如布匹上的随机疵点、铸件表面的气孔、电子元件焊点的虚焊，这些用传统规则很难穷举，但AI模型可以从数据里学到特征分布。行为识别也是AI视觉的强项，比如判断工人有没有戴安全帽、操作动作是否合规、AGV有没有偏航。

两者不是替代关系。实际产线上，很多系统是“传统算法做粗定位，AI模型做细分类”，串起来用。

三、制造业典型应用场景

假设一家电子厂做连接器外观检测。传统机器视觉能查引脚有没有歪、塑胶体有没有缺料，靠的是模板比对和边缘检测。但遇到引脚表面轻微氧化变色、塑胶体细微流痕，规则就不好使了。这时候加一个AI分类模型，用几百张良品和不良品图训练，系统就能给出更接近人眼的判断。

再假设一家汽配企业做刹车片表面检测。刹车片磨削后会有随机纹理，传统视觉容易把正常纹理判成裂纹。AI视觉识别可以区分“纹理”和“真裂纹”，降低过杀率。同时，它还能顺带做行为识别，比如机械手抓取时有没有碰到相邻工件、操作员有没有违规伸手进设备区域。

还有一个场景是食品包装。某食品厂要检测包装袋封口有没有夹料、漏气。传统视觉靠灰度变化找异常，但封口褶皱和真夹料在图像上很像。AI模型结合多光谱成像，能区分材料本身纹理和异物夹杂。这类应用在业内已经有不少方案落地，累计3200余家终端在跑类似逻辑，覆盖15+行业，其中120余家客户是深度定制场景。

四、选型要点与实施建议

第一，先分清任务类型。如果只是定位、测量、计数，传统机器视觉够用，没必要上AI，成本和维护都更轻。如果缺陷形态不固定、背景复杂、需要分类分级，再考虑AI视觉识别。

第二，看数据基础。AI模型吃数据，没有足够标注样本，效果起不来。建议先跑一段时间的传统视觉，把图像存下来，人工标一批，再训模型。不要一上来就全栈AI。

第三，算力部署要匹配节拍。产线节拍快，AI推理必须跟上。边缘端用GPU或NPU加速，云端做训练和模型迭代，这种边云协同是主流做法。

第四，可解释性不能丢。制造业要的是稳定和可追溯。AI模型给出NG判断时，最好能输出热力图或置信度，让工程师知道它“看”的是哪里。纯黑盒在产线上推不动。

第五，别忽略光源和成像。再强的AI模型，图像质量差也白搭。光源方案、相机选型、镜头畸变校正，这些基础工作决定了上限。

五、趋势展望与总结

第一个方向是传统视觉和AI视觉的融合。规则算法负责高精度测量和快速筛选，AI负责复杂分类和异常检测，两者在同一个软件框架里调度。

第二个方向是小样本和自监督学习。产线上不良品样本少，标注成本高。业界在推少样本学习、异常检测无监督方法，让模型用少量良品就能学会“什么是正常”，偏离正常就报警。

第三个方向是视觉加行为识别的复合应用。不只是看产品，还看设备动作、人员操作、物流轨迹。SI智能制造里，视觉系统正在从“质检工具”变成“产线感知层”。

回到标题：机器视觉是规则驱动的检测技术，AI视觉识别是数据驱动的认知技术。前者解决“看得见”，后者解决“看得懂”。制造业选型时，先问自己要解决哪个层次的问题，再决定用哪套家伙。